СЫМСЫЗ СЕНСОРЛЫҚ ЖЕЛІЛЕРГЕ ШАБУЫЛДАРДЫ АНЫҚТАУ ҮШІН МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІН ҚОЛДАНУ: XGBOOST ЖӘНЕ SGD ТИІМДІЛІГІН ТАЛДАУ

Аннотация

Беспородные сенсорные сети подвергаются различным угрозам и несмотря на значительный прогресс в области обеспечения безопасности, существует ряд нерешённых проблем, такие как создание алгоритмов, разработка методов обнаружения и предотвращения атак, обеспечивающие высокую степень безопасности при минимальных вычислительных и энергетических затратах. Одна атака на сеть, на устройство может нанести значительный ущерб безопасности и конфиденциальности данных. Методы машинного обучения эффективны для обнаружения различных атак. В работе представлен анализ исследований по наиболее эффективным методам машинного обучения используемые для предотвращения атак  путем  классификации и обнаружения расспространенных ботнетов в беспородной сенсорной сети с использованием эффективных алгоритмов. Литературный обзор проводился по различным научным базам данных с помощью диаграммы PRISMA и в результате процесса включения и исключения были отобраны 54 потенциальных исследований за последние 5 лет. В статье рассмотрены и применены алгоритмы машинного обучения, в частности экстремальный градиентный бустинг (XGBoost) и cтохастический градиентный спуск (SGD),  для обнаружения ботнет атак на беспроводные сенсорные сети. Путем сравнения этих методов 6 ботнетов были разделены на классы и получены показатели precision, recall и f1-score их обнаружения. По результатам сравнения между изученными методами машинного обучения и обнаружения атак был получен высокий показатель в XGBoost – 99,18%.